כתבה
arXiv cs.CL ·
גבולות התאמתיות של LLM: השפעת קדימוני פנימיים של המודל על תפעול תזיה
On the Limits of LLM Adaptability: Impact of Model-Internalized Priors on Annotation Task Performance
מחקר חדש מצביע על גבולות התאמתיות של LLM: קדימוני פנימיים של המודל יכולים להשפיע על תפעול תזיה. המחקר חושף כי קדימוני פנימיים של המודל יכולים להשפיע על תפעול תזיה, וכי פונג'ינג לא יכול לתקן שגיאות תזיה. המחקר גם מצביע על חשיבות התאמת קדימוני פנימיים של המודל לתפעול תזיה.
תקציר מקורי באנגליתarXiv:2606.00467v2 Announce Type: replace Abstract: Large Language Models (LLMs) are increasingly used for zero-shot annotation and LLM-as-a-judge tasks, yet their reliability hinges on how model-internalized priors interact with user-provided instructions. We investigate three dimensions of this interaction: (1) how an LLM's familiarity with data and task definitions relates to performance, (2) whether additional information in prompts can correct zero-shot errors ("decision stickiness"), and (3) model susceptibility to misaligned task definitions. We introduce Definition-Specific Familiarity (DSF), which measures alignment between a model's elicited concept and the target definition. Across nine LLMs and six toxicity datasets (five primary datasets plus an additional robustness dataset),
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית